向量金融时间序列协整与协同持续关系——基于理论的思考

本文在协整和协同持续基本理论的基础上,继续考虑金融时间序列协整与协同持续的关系,在揭示时间序列内部稳定关系的研究上作一些新的尝试.提出具有波动持续性的向量金融时间序列,若各分量均为一阶单整且各分量间存在线性协整关系,则其一定存在线性协同持续关系,并且协同持续向量即为协整向量.从而揭示了协整与协同持续之间的数量经济关系,加深了我们对许多金融时间序列非平稳性和波动随时间变化这两个基本性质的理解.同时这一研究也展示了金融时间序列一阶矩和二阶矩之间的内在联系,有利于深刻理解向量金融时间序列在各阶矩意义上的内在均衡关系.     

基于非线性分位数回归模型的多期VaR风险测度

多期VaR主要受到持有期及波动率两个变量的影响,并且其影响模式(线性或非线性)的确定对于准确地进行VaR风险测度至关重要。非线性分位数回归模型,能够克服线性分位数回归模型只能揭示多期VaR及其影响因素之间线性依赖关系的局限,从而提高多期VaR风险测度的准确性。结合波动模型与两个非线性分位数回归方法:QRNN和SVQR,给出了多期VaR风险测度的三类方案:波动模型法、QRNN+波动模型法、SVQR+波动模型法。选取3个股票价格指数作为研究对象,考虑了6种不同形式的波动模型,得到了18个多期VaR风险测度方法进行实证比较,结果表明:波动模型选择影响到多期VaR风险测度效果;SVQR+波动模型法略优于QRNN+波动模型法,并且两者显著优于波动模型法。     

基于SVM的RSM模型拟合方法研究

对于多极值、存在高阶交互作用和约束的复杂过程,参数RSM整体代表性差,难以达到全局最优;而非参数RSM在样本量有限时泛化性差,模型难以优化.将RSM模型拟合归结为一类有限制条件、可主动获取样本点的小样本学习问题;提出一种基于SVM的复杂过程RSM模型拟合方法,并提出了适用于RSM的实用性SVM核函数及参数选择方法.算例研究表明,所提的核函数及参数选择方法得到的泛化误差与其最小值的平均偏离率在20%以内;基于SVM的RSM拟合模型对因子约束、误差分布无严格限制,泛化性能、曲面重现能力均优于现有RSM,其平均泛化误差与样本量分别比非参数RSM降低约20%和30%,说明了所提方法的有效性与优越性.     

个人信用评估PSO—SVM模型的构建及应用

支持向量机(SVM)中的参数影响着模型的分类能力,为了使SVM获得更好的分类能力,针对SVM中的人为选择参数的随机性,提出了利用粒子群算法(PSO)进行优化的方法,构建了PSO-SVM模型,并将其应用于商业银行的个人信用评估中。通过改进的PSO算法对SVM中的参数进行优化,并通过粒子适应度函数的设置来控制给商业银行造成较大损失的第2类误判的发生。应用结果表明,PSO-SVM模型的分类精度高,第2类误判率低,并且表现出较好的稳健性,对于控制消费信贷风险具有良好的适用性。     

通货膨胀率和股票收益率的相关性的实证研究——基于马尔可夫转换模型

通过建立马尔可夫向量误差修正模型，分别在高通胀和低通胀两个区制内研究股票实际收益率和通货膨胀率的相关性。根据实证分析结果，股指和CPI之间存在正向协整关系，协整误差对CPI 的短期波动具有正向的修正作用。对于同步相关性，在低通胀区制内，股票收益率和通货膨胀率正相关，在高通胀区制内，股票收益率和通货膨胀率负相关。短期相关性不显著。     

基于违约区分程度最大权重的信用评级模型

信用评级方程是信用评级模型的核心,权重是影响信用评级方程评价准确度的重要因素,合理的权重对于信用评级至关重要.通过以违约与非违约客户信用得分单位离散度的平均距离最大为目标函数,构建非线性规划模型的思路,反推各指标的最优权重组合.通过PR曲线方法对信用评级模型的合理性进行检验,并对1 231个小企业贷款进行了信用评级.通过构建信用评级方程S=S(W)的权重向量W与违约与否的两类客户平均信用得分的距离D之间的函数关系,以违约与否的两类客户平均信用得分距离D最大为目标建立非线性规划,反推一组最优权重W.保证了信用评级方程的评级结果,能够最大限度地区分违约与非违约客户.改变了现有研究的权重向量与整体违约鉴别能力无关的弊端.非财务指标相对于财务指标在小企业评级中更重要,权重高达58%,非财务指标中"城市居民人均可支配收入"指标的权重最大,为14.7%.通过PR曲线方法验证了其合理性.研究表明,"基于违约状态区分程度最大权重的小企业信用评级模型",对客户违约与否的区分精度,优于现有研究的同类经典模型.     

估计灰色Verhulst模型参数的LS-SVM方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘法，这种基于大样本理论的经验风险最小化方法无法保证小样本预测下模型的推广性能.为提高灰色Verhulst模型的预测精度，本文提出了基于LS-SVM算法估计模型参数的方法.首先根据Verhulst灰色差分方程的特点，通过构造以背景值序列和原始序列为训练样本的LS-SVM模型，将一维样本空间里的Verhulst模型转化为一个二维特征空间里的LS-SVM模型，进而将Verhulst模型的灰参数的估计问题转化为一个LS-SVM模型的回归系数估计问题.然后通过核函数构造法，结合模型特点合理构造了LS-SVM模型的核函数，基于LS-SVM算法求解回归系数，进而得到Verhulst模型的参数估计.实验结果表明该方法是可行的有效的，可保证Verhulst模型具有良好推广性，相比于传统参数估计方法本文预测精度更高.     

Sequential monitoring of high-dimensional time series

In the paper we derive new types of multivariate exponentially weighted moving average (EWMA) control charts which are based on the Euclidean distance and on the distance defined by using the inverse of the diagonal matrix consisting of the variances. The design of the proposed control schemes does not involve the computation of the inverse covariance matrix and, thus, it can be used in the high-dimensional setting. The distributional properties of the control statistics are obtained and are used in the determination of the new control procedures. Within an extensive simulation study, the new approaches are compared with the multivariate EWMA control charts which are based on the Mahalanobis distance.